IA em finanças potencializa ganhos estruturais quando há redesenho do processo.
- carolinesiffert
- 7 de abr.
- 9 min de leitura
Por João Gabriel Alves, CEO e Fundador da Horizonte3
Em Finanças, a maioria das iniciativas de IA ainda gera eficiência pontual, mas esbarra no mapping problem: a dificuldade de identificar onde a tecnologia realmente desloca fechamento, controle, previsibilidade de caixa e produtividade.
O ganho relevante aparece quando a IA deixa de otimizar tarefas isoladas e passa a redesenhar o processo de ponta a ponta, reduzindo exceções, elevando a qualidade da execução e sustentando escala sem pressionar a estrutura de custos.
Tecnologia não é fim. Nenhuma organização deveria implementar uma tecnologia apenas para dizer que a implementou. Mas tratá-la como simples meio também reduz demais o problema. Nesse caso, a tecnologia vira uma ferramenta neutra, como se servisse apenas para fazer melhor o que já existia.
Na prática, não é assim. Quando uma nova tecnologia entra em um contexto, ela abre possibilidades que antes não estavam disponíveis. Algumas são óbvias. Outras só aparecem quando alguém muda a forma de olhar para o problema. Foi nesse terreno que James J. Gibson formulou a ideia de affordance: um artefato inserido em um ambiente oferece possibilidades de ação (Gibson, 1979). Em termos simples, a tecnologia importa não só pelo que é, mas pelo que torna possível fazer.
A internet é um bom exemplo. No início, parecia apenas um canal mais eficiente para atividades já conhecidas: trocar mensagens, publicar informação, enviar arquivos. O ganho maior não veio daí. Veio quando as empresas perceberam que ela permitia reorganizar cadeias inteiras de valor. O ponto não foi digitalizar uma etapa. Foi redesenhar o modelo (Bresnahan et al., 1996; David, 1990).
Com IA, o desafio é o mesmo, só que maior.
O problema da IA hoje não é mais de acesso. É desenho.
A barreira para capturar valor com IA já não está, em grande parte, na disponibilidade da tecnologia. Modelos, APIs e ferramentas estão amplamente acessíveis. O problema está em outro lugar: encontrar os casos de uso que realmente deslocam resultado e criar as condições técnicas e processuais para que eles funcionem.
Um working paper publicado pelo INSEAD, em março de 2026, trata exatamente disso. Em um experimento com 515 startups de alto crescimento, as autoras partem de um paradoxo já visível no mercado: muita gente usa IA, pouca gente consegue converter esse uso em desempenho organizacional relevante. O artigo chama atenção para uma fricção central, que denomina mapping problem: a dificuldade de descobrir onde e como a IA cria valor dentro do processo produtivo da firma. Em vez de repensar o processo, as empresas tendem a procurar usos locais e óbvios para a tecnologia, otimizando tarefas existentes sem mexer na arquitetura do trabalho. A formulação central do paper é direta: capturar os retornos da IA exige não apenas adotá-la, mas reorganizar a produção ao redor dela. O estudo mostra que as firmas tratadas encontraram 44% mais casos de uso, completaram 12% mais tarefas, foram 18% mais propensas a adquirir clientes pagantes e geraram 1,9x mais receita (Kim, Kim e Koning, 2026).
A analogia histórica usada pelas autoras é boa. A eletricidade não gerou impacto apenas por substituir uma fonte de energia por outra. Seu efeito veio quando passou a permitir outro layout fabril, outra distribuição de máquinas e outra lógica de produção. Com IA, o equivalente não é fazer a mesma coisa mais rápido. É reorganizar o processo a partir do que a tecnologia torna viável (David, 1990; Brynjolfsson, Rock e Syverson, 2021).
Para uma liderança de Finanças, isso aparece de forma concreta: previsibilidade de caixa, qualidade de controle, redução de exceções, velocidade de fechamento e capacidade de escalar a operação sem inflar a estrutura.
O erro mais comum: melhorar tarefas, preservar o processo
Quando uma empresa começa a usar IA, o impulso mais natural é atacar tarefas isoladas:
resumir documentos;
gerar relatórios;
classificar chamados;
responder dúvidas;
acelerar análises.
Nada disso é inútil. Pode haver ganho real aí. O problema é que esse tipo de uso costuma preservar o gargalo do processo.
Se a etapa seguinte continua manual, se a decisão continua mal distribuída, se o handoff continua ruim, se a aprovação continua concentrada, o processo como um todo muda pouco. A empresa automatiza um pedaço e mantém o desenho antigo.
O experimento do INSEAD reforça esse ponto. As empresas tratadas performaram melhor não porque simplesmente “usaram mais IA”, mas porque ampliaram a busca por casos de uso em diferentes funções e reorganizaram atividades adjacentes ao redor da tecnologia. O ganho não veio de uma automação localizada. Veio de uma busca mais ampla sobre onde a IA poderia alterar a lógica da produção (Kim, Kim e Koning, 2026).
Quatro movimentos para sair da busca local
O estudo ajuda a extrair uma lição prática. Implementar IA bem não é escolher melhor a ferramenta. É formular melhor o problema.
1. Pensar em cadeias de tarefas
A primeira mudança é sair da pergunta “onde posso usar IA aqui?” e ir para “qual cadeia inteira de atividades pode ser redesenhada com IA?”.
Automação parcial costuma manter o gargalo de pé. O caso da FazeShift mostra isso: em vez de automatizar só um ponto do contas a receber, a empresa automatizou a cadeia inteira e removeu a “cola humana” entre sistemas (Kim, Kim e Koning, 2026).
2. Usar IA como multiplicador de capacidade
A pergunta útil não é “quem a IA substitui?”, mas “quais cadeias de especialistas a IA consegue comprimir?”.
No caso da Gamma, o ganho não veio apenas de acelerar tarefas, mas de reduzir handoffs e aumentar a cadência do desenvolvimento de produto (Kim, Kim e Koning, 2026).
3. Trocar compromisso sequencial por prototipagem paralela
Quando a IA derruba o custo de experimentar, a lógica da decisão muda.
Em vez de apostar em uma única solução e desenvolvê-la por meses, passa a ser possível testar várias versões em paralelo e deslocar o gargalo para o aprendizado. Foi isso que apareceu no caso discutido com a Ryz Labs (Kim, Kim e Koning, 2026).
4. Reordenar o modelo econômico
Em alguns casos, a IA muda não só o fluxo operacional, mas a própria ordem do negócio.
O caso da Ranger mostra isso: a empresa começa vendendo um serviço, aprende com a execução, automatiza partes da entrega e transforma margem de serviço em margem de produto. A captação deixa de ser premissa e passa a ser opção (Kim, Kim e Koning, 2026).
Redesenhando Finanças com IA: o que isso significa para contas a pagar.
Essa discussão ganha corpo quando entra em processos concretos. Um bom exemplo é contas a pagar.
No desenho clássico, o processo costuma ser descrito assim:
Receber a obrigação
Classificar a natureza do pagamento
Validar o lastro do pagamento
Registrar o título no sistema
Aprovar conforme alçada e regra aplicável
Programar o desembolso
Executar o pagamento
Comprovar, baixar e conciliar
É um fluxo familiar. E é justamente por isso que a maior parte das iniciativas de IA em AP acaba sendo incremental.
O cenário mais comum: IA aplicada por busca local
No modo de busca local, a empresa faz coisas como:
usar OCR para capturar dados da nota;
sugerir classificação contábil;
resumir documentos de suporte;
responder dúvidas de fornecedores;
apoiar a conciliação.
Esses usos podem gerar ganho. Mas o processo, no essencial, continua o mesmo. A obrigação continua chegando tarde. O lastro continua espalhado. A aprovação continua no fim. A programação continua reagindo ao vencimento. O time continua costurando exceções entre contrato, pedido, nota, medição, recebimento, banco e fiscal.
É um uso legítimo de IA. Só que ele melhora o fluxo velho. Não cria um novo.
O redesenho real: contas a pagar deixa de ser processamento de documento e vira gestão de obrigações
A mudança relevante acontece quando o processo deixa de ser desenhado a partir da nota fiscal e passa a ser desenhado a partir da obrigação econômica.
No modelo tradicional, a nota ocupa o centro. No desenho redesenhado com IA, ela é uma evidência entre várias. O centro passa a ser a obrigação: o que deve ser pago, por que deve ser pago, com qual lastro, sob qual política, com qual prioridade econômica e com qual tratamento de exceção.
A partir daí, o processo muda em cinco frentes.
1. O evento inicial muda
O processo deixa de começar quando a nota chega. Passa a começar quando a obrigação é detectada, seja por contrato, pedido, medição, guia, recorrência ou folha.
2. A validação deixa de ser linear
Em vez de conferir documento por documento no fim do fluxo, a IA conecta continuamente contrato, pedido, medição, recebimento, documento fiscal, cadastro bancário, regras fiscais e disponibilidade de caixa.
3. A aprovação relevante migra para antes
Num desenho melhor, a decisão importante já foi tomada antes, por meio de fornecedor homologado, contrato aprovado, política de alçada parametrizada, recorrência pré-validada, regra fiscal definida e rota de exceção clara. O humano passa a decidir exceções, não volume.
4. A programação financeira muda de natureza
Em vez de pagar por vencimento ou pelo ruído do dia, a priorização passa a considerar criticidade legal, risco operacional, desconto financeiro, impacto no caixa, impacto no cronograma e confiabilidade do lastro.
5. O papel da equipe sobe de nível
A equipe deixa de concentrar energia em digitar, anexar, cobrar documento e montar lote manualmente. O foco vai para exceções, anomalias, fraude, duplicidade, reconciliação sensível, relacionamento com fornecedor, disciplina de caixa e governança do processo.
O ponto de ruptura
IA não deve ser encaixada no processo como mais uma camada. O processo deve ser revisto a partir do que a IA torna viável.
Por isso, a pergunta errada é: como eu uso IA em contas a pagar?
A pergunta certa é: como contas a pagar deveria funcionar se eu partisse do fato de que hoje consigo detectar obrigações, conectar evidências, classificar risco, automatizar cadeias de decisão e tratar exceções com muito mais inteligência do que antes?
É aqui que aparece a diferença entre melhoria local e transformação.
Na prática, a maior parte das empresas trava em duas frentes. A primeira é processual: não conseguem enxergar com clareza onde está o gargalo, onde a automação local preserva o problema e onde o redesenho pode gerar ganho acumulado. A segunda é técnica: não conseguem montar a base necessária de dados, integrações, regras, arquitetura e confiabilidade operacional para sustentar o novo desenho.
Sem essas duas peças, a IA até entra no processo. Mas entra como remendo, não como reconfiguração
O papel da Horizonte3
É exatamente nesse ponto que a Horizonte3 atua.
Boa parte das empresas ainda aborda IA pela pergunta errada: como usar a tecnologia para acelerar o que já existe. O problema é que, nesse caminho, a IA costuma entrar como camada adicional em um processo antigo. Gera eficiência local, mas não muda a lógica do fluxo nem o patamar de resultado.
O ganho real aparece quando a empresa consegue fazer duas coisas ao mesmo tempo: redesenhar o processo a partir do que a IA torna possível e construir a base técnica necessária para esse novo desenho funcionar na prática.
É nessa interseção que está a força da Horizonte3. De um lado, visão de processo, operação e desenho organizacional para identificar gargalos, complementaridades e oportunidades reais de redesenho. De outro, capacidade de estruturar dados, integrações, regras e arquitetura para transformar esse redesenho em operação confiável.
Na prática, isso significa conduzir a agenda de IA em Finanças de ponta a ponta: identificar onde estão as oportunidades reais, priorizar os casos de uso com impacto econômico, desenhar o novo fluxo, estruturar a base de dados e integrações necessária e apoiar a implementação até que o caso de uso saia do piloto e entre na rotina.
Em contas a pagar, isso significa sair de uma lógica centrada em documento, aprovação manual e reação ao vencimento e migrar para uma lógica centrada em obrigação, política, exceção e decisão econômica.
No fim, o desafio não é apenas adotar IA. O desafio é descobrir onde ela realmente cria valor e ter condições de redesenhar o processo a partir disso. É esse movimento que a Horizonte3 ajuda a viabilizar.
Demanda de capital por quantil: Tratamento vs. Controle
(Este gráfico apresenta os níveis por quantil da demanda autodeclarada por capital (capital solicitado) na semana 10 para os grupos de tratamento e controle, separadamente, estimados a cada 5 pontos percentuais, do 5º ao 95º percentil. As estimativas pontuais são quantis amostrais calculados separadamente para as empresas dos grupos de controle e tratamento. As barras verticais indicam intervalos de confiança de 95% de regressões quantílicas com apenas intercepto. N = 479 empresas.) (Kim, H., Kim, D., & Koning, R. (2026). Mapping AI into Production: A Field Experiment on Firm Performance. INSEAD Working Paper 2026/20/STR.)
Investimentos por quantil: Tratamento vs. Controle
(Este gráfico apresenta os níveis por quantil do total de investimento captado na semana 10 para os grupos de tratamento e controle, separadamente, estimados a cada 5 pontos percentuais, do 5º ao 95º percentil. As estimativas pontuais são quantis amostrais calculados separadamente para as empresas dos grupos de controle e tratamento. As barras verticais indicam intervalos de confiança de 95% de regressões quantílicas com apenas intercepto.)(Kim, H., Kim, D., & Koning, R. (2026). Mapping AI into Production: A Field Experiment on Firm Performance. INSEAD Working Paper 2026/20/STR.)
Receitas por quantil: Tratamento vs. Controle
(Este gráfico apresenta os níveis por quantil da receita total na semana 10 para os grupos de tratamento e controle, separadamente, estimados a cada 5 pontos percentuais, do 5º ao 95º percentil. As estimativas pontuais são quantis amostrais calculados separadamente para as empresas dos grupos de controle e tratamento. As barras verticais indicam intervalos de confiança de 95% de regressões quantílicas com apenas intercepto.)(Kim, H., Kim, D., & Koning, R. (2026). Mapping AI into Production: A Field Experiment on Firm Performance. INSEAD Working Paper 2026/20/STR.)
Referências
Bresnahan, T., Greenstein, S., Brownstone, D., & Flamm, K. (1996). Technical progress and co-invention in computing and in the uses of computers. Brookings Papers on Economic Activity: Microeconomics, 1996, 1–83.
Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372.
David, P. A. (1990). The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox. American Economic Review, 80(2), 355–361.
Gibson, J. J. (1979). The Ecological Approach to Visual Perception. Boston: Houghton Mifflin.
Kim, H., Kim, D., & Koning, R. (2026). Mapping AI into Production: A Field Experiment on Firm Performance. INSEAD Working Paper 2026/20/STR.
.png)
